شبكات التجميع الرسومية (GCNs) وأنواعها المختلفة حظيت باهتمام كبير وأصبحت الطريقة المتبعة facto de facto لتعلم تمثيلات الرسوم البيانية. تستلهم شبكات GCNs بشكل أساسي من الأساليب الحديثة للتعلم العميق، ونتيجة لذلك، قد ترث تعقيدًا غير ضروري وحسابات زائدة. في هذا البحث، نقلل من هذا التعقيد الزائد من خلال إزالة التحولات اللاخطية تدريجيًا ودمج مصفوفات الأوزان بين الطبقات المتتالية. نقوم بتحليل النموذج الخطي الناتج نظريًا ونظهر أنه يتوافق مع مرشح مرور منخفض ثابت يتبعه تصنيف خطي. ومن الجدير بالذكر أن تقييمنا التجريبي يوضح أن هذه البساطة لا تؤثر سلبًا على الدقة في العديد من التطبيقات اللاحقة. علاوة على ذلك، فإن النموذج الناتج يمكن توسيعه لقواعد بيانات أكبر، وهو قابل للتفسير بطبيعته، ويحقق سرعة أداء أعلى بمقدار رتبتين عدديتين مقارنة بـ FastGCN.注释：在阿拉伯语中，“de facto”通常直接使用拉丁字母表示，因此这里保留了“facto de facto”。如果需要完全本地化的翻译，可以将其替换为“في الواقع”。